Pronóstico con atributos

La intención de Lokad es entregar pronósticos lo más precisos posible. Sin embargo, al observar un producto cualquiera, a menudo no existen suficientes datos históricos disponibles para que pueda calcularse un pronóstico estadístico preciso sobre ese producto. Lokad aborda esta problemática mediante el aprovechamiento extensivo del establecimiento de correlaciones entre artículos para refinar sus pronósticos. Sin embargo, al mismo tiempo, el establecimiento de correlaciones basadas en el historial de la demanda tiende a ser bastante limitado, porque el historial es demasiado breve o demasiado disperso. Por este motivo, Lokad aprovecha también los conceptos de jerarquía de artículo y categorías de artículo para refinar aún más sus pronósticos. En esta sección, explicamos cómo pueden transmitirse esos datos al motor de pronóstico de Lokad.

Sintaxis general

Las categorías y las jerarquías pueden comunicarse al motor de pronóstico como argumentos con nombre, como se ilustra en la sintaxis a continuación:

Leadtime = forecast.leadtime(
  category: C1, C2, C3, C4
  hierarchy: H1, H2, H3, H4
  // otros argumentos abreviados
  )
Demand = forecast.integral(
  category: C1, C2, C3, C4
  hierarchy: H1, H2, H3, H4
label: PlainText
  // otros argumentos abreviados
  )  

Estos argumentos son opcionales, por lo que es posible omitir category, hierachy y label. Cuando no se omite, es posible proporcionar hasta 4 vectores, pero también es válido proporcionar 1, 2 o 3 vectores.

Perspectiva de pronóstico

Las categorías y la jerarquía desempeñan un rol similar desde el punto de vista del motor de pronóstico: ayudan a este último a gestionar los datos históricos dispersos. Para un determinado artículo (1), la cantidad de observaciones pasadas puede ser muy limitada, tal vez solo unas pocas observaciones disponibles por año. En esas situaciones, los pronósticos basados en datos históricos limitados que tenemos disponibles para un determinado artículo resulta bastante impreciso, porque el cálculo para este artículo contendría mucho ruido.


El motor de pronóstico de Lokad aborda esta problemática aprovechando de modo extensivo las correlaciones entre artículos. Sin embargo, debido a que los datos históricos se presentan dispersos, es bastante difícil correlacionar artículos teniendo en cuenta solo sus valores pasados. Como resultado, el motor de pronóstico también intenta aprovechar las relaciones que existen entre los artículos según sus atributos o propiedades.

En el sector minorista, estas propiedades generalmente se recopilan a través de sistemas de PIM (gestión de información de producto o Product Information Management). Lokad, en cuanto aplicación web, no proporciona ninguna función de sistema PIM, pero los datos que procesa generalmente se extraen de un sistema PIM. Estas propiedades son interesantes desde la perspectiva de pronóstico, porque integran de modo implícito mucha información sobre el mercado mismo; es decir, señalan los segmentos de mercado relevantes y destacan los factores de diferenciación entre los artículos.

La jerarquía

Con el término jerarquía se hace referencia a una organización jerárquica (estructura de árbol) de todos los artículos. El motor de pronóstico admite hasta 4 niveles de jerarquía. Cuando existen múltiples niveles jerárquicos, estos deberían transmitirse al motor de pronóstico por orden de importancia decreciente; es decir, el primer argumento representa el nivel jerárquico superior. El motor de pronóstico no admite múltiples jerarquías.

La mayoría de los negocios ya cuentan con una jerarquía para organizar sus artículos. Los niveles jerárquicos pueden denominarse mercado, segmento, familia, subfamilia, etc., de acuerdo con la terminología que se aplique en la empresa. Por ejemplo, para los negocios de e-commerce, la jerarquía de producto generalmente se ve en el sitio web a través de los menús de navegación.

Las categorías

Las categorías están pensadas para diferentes categorizaciones de los artículos que resultan relevantes para el pronóstico. Están están diseñadas para complementar la jerarquía en propiedades más transversales del producto que se vende (ej.: el autor en el caso de los libros). A diferencia de la jerarquía, no se espera que las categorías comparan relaciones específicas entre sí; por lo tanto, no se espera que la primera categoría se encuentre por encima de la segunda categoría.

En la práctica, las categorías pueden utilizarse para reflejar diferentes atributos de los artículos, como marca, material o color. Las categorías también pueden utilizarse como un modo alternativo de representar una jerarquía secundaria. El motor de pronóstico admite hasta 4 atributos de categoría distintos.

Las etiquetas de texto plano

Las etiquetas están pensadas como una categorización poco definida de los artículos a través de sus descripciones en texto plano. El motor de pronóstico tiene funciones de temporización de texto diseñadas para admitir conjuntos de datos en los que faltan categorías y jerarquías. Si bien las categorías y las jerarquías realizadas manualmente son deseables para la precisión del pronóstico, esa información no siempre está disponible, y volver a ingresarla manualmente para miles de artículos resulta poco práctico.

Afortunadamente, el motor de pronóstico de Lokad es capaz de aprovechar la descripción de texto plano de los artículos mismos. Si bien no existe un límite estricto para la extensión de la descripción de texto plano, el motor de pronóstico está optimizado para descripciones que contienen menos de 20 palabras. Como regla general, los mejores resultados se obtienen con descripciones de artículos de una línea. En la práctica, vemos que las descripciones de texto plano de alta calidad aportan casi tanta mejora a la precisión como las categorías y jerarquías bien definidas.

Conocimiento previo sobre el mercado

A través de la jerarquía y de las categorías, el motor de pronóstico espera obtener conocimiento previo sobre el mercado mismo. En nuestra experiencia, cualquier atributo o característica que un experto de dominio perciba como información estratégica tiene probabilidades de ser relevante también para el motor de pronóstico. Para cualquier base de datos considerable que incluya más de cien artículos, recomendamos vivamente incluir al menos dos atributos, en lo posible dos niveles de jerarquía o un nivel de jerarquía más una categoría. Proporcionar esta información aporta una precisión significativa.

Lo que, al contrario, desaconsejamos es generar categorías —o niveles de jerarquía— sintéticas que intenten informar al motor de pronóstico sobre, por ejemplo, estacionalidad o volúmenes de ventas, o erraticidad de las ventas. De hecho, si el atributo puede calcularse a partir de los datos históricos mismos, el motor de pronóstico puede hacerlo solo, sin ayuda adicional.